Hadoop之MapReduce任务的优化

1. 任务调度

（1）计算方面：Hadoop总会优先将Task分配给空闲的机器，所有的人物能公平地分享系统资源

（2）I/O方面：Hadoop尽量将map Task分配给Input Split所在的机器，以减少网络I/O的消耗。

2.数据预处理与Input Split的大小

（1）提交MapReduce Task前可以先对数据进行一次预处理，将数据合并以提高MapReduce Task的执行效率。参考Map Task 的执行时间，当一个Map Task执行时间比较短的时候，可以分配更多的数据。通过设置map的输入数据大小来调节map的运行时间。

3.map和reduce任务的数量

（1）map任务槽和reduce任务槽。指的是这个集群能够同时运行的map/reduce任务的最大数量。设置MapReduce Task的map数量主要参考的还是map Task的运行时间，而reduce任务的数量就只需要参考任务槽的设置了。

4.combine函数

用于本地合并数据的函数，map中间有很多重复的数据，将这些记录一一传送给reduce task是很耗时的，所以MapReduce框架运行用户写一个combine函数，用于本地合并，这会大大减少网络I/O操作的消耗。job.setCombineClass(combine.class)；

5.编写MapReduce程序时，可以选择对map的输出和最终输出结果进行压缩（同时可以选择压缩方式）。在一些情况下，map的中间输出可能会很大，对其进行压缩可以有效减少网络上数据传输量。

6.自定义compator

在Hadoop中，可以自定义数据类型以实现更复杂的目的。当读者想实现k-means算法（一个基础的聚类算法）可以定义k个整数的集合。